随着信息技术的飞速发展,数据呈现出多视图的特点,尤其是单视图数据不能全面描述所有实例的信息。因此综合利用多个视图来全面和准确地表示数据是很重要的。多视图学习已经成为计算机视觉、人工智能等领域广泛研讨的热门话题。作为多视图学习的一个主要的研究范畴,多视图聚类在最近十几年里得到了迅速的发展,而且取得了巨大的技术提升,也因此得到了人们普遍的重视。其中,基于子空间的聚类试图在低维特征空间中搜索数据的最优聚类结构。然而,受制于各个视图之间存在的多样化以及异构化信息,现有的大多数多视图子空间聚类方法无法全方位地捕获原始高维数据之间的关键信息,也不能准确度量不同视图数据对聚类结果的贡献程度,使得最终的聚类结果的准确性以及稳定性大大下降。基于以上问题,本文重新挖掘了不同视图数据之间的互补信息以及共识信息,并深入探讨了鲁棒的多视图子空间聚类方法。本文的整体内容如下:针对现有的子空间聚类方法无法捕获不同视图数据间的多样化信息的问题,本文提出了基于正交多样化的鲁棒多视图子空间聚类算法。该方法通过使用新定义的正交性项巧妙提高了多视图数据间的多样性,有效降低了学习子空间表示的冗余度,提高了聚类精度。同时,基于图嵌入理论,该方法将分组增强表示施加到目标函数中,对样本数据施加平滑依赖以获得更显著的类内亲和力,维护了原始数据空间中的局部几何结构。最后,该方法引入2,1范数正则化项来降低噪声和离群值对聚类结果的干扰,提高了算法的鲁棒性。在人脸图像、新闻、场景图像等六个具有挑战的数据集上进行的广泛的实验结果表明,该方法表现出了高质量的性能。针对现有的子空间框架分开学习自表示矩阵以及共识矩阵,忽略了自表示数据以及共识数据之间存在的紧密联系的问题,本文提出了基于共识表示和正交多样化的自加权多视图子空间聚类算法。考虑到不同视图的特征数据表征了特定和部分独立的信息,可能会对最终的聚类结果造成差异化的贡献,该方法首先通过一种新的技巧为每个视图自动分配相应的权重。然后,该方法将共识表示和子空间学习集成到一个统一的框架中,以从不同视图中表征一致性。在此基础上,本文添加了正交多样化项,并采用乘子交替方向法对算法进行优化。在上述六个数据集上进行了实验仿真,实验结果显示该方法是比同类算法更优秀的算法。